Computer-Aided Diagnosis of Prostate Cancer Using Multiparametric MRI: Preprocessing, Segmentation and Quality Control

Abstract

Sammendrag Dataassistert diagnostikk av prostatakreft ved bruk av Multiparametrisk MRI: Forbehandling, segmentering og kvalitetskontroll Prostatakreft er den vanligste kreftformen hos menn og den nest hyppigste årsaken til kreftrelaterte dødsfall hos menn på verdensbasis. På grunn av fremskritt innen teknologi og diagnostiske metoder har overlevelsesraten for prostatakreft de siste årene økt og dødeligheten har sunket. Tidlig diagnostikk av prostatakreft er viktig for bedre behandling av sykdommen. Den tradisjonelle diagnostiske prosessen inkluderer måling av forhøyet prostata spesifikt antigen (PSA) i blodet etterfulgt av prøvetaking av prostata biopsi og histopatologisk analyse. Multi-parametrisk magnetisk resonans avbildning (mpMRI) og etablering av internasjonale retningslinjer for bildeopptak og tolkning har bidratt til bedre nøyaktighet i diagnostikken, men tolkningen av MR-bildene er fortsatt i stor grad kvalitativ. Dette har noen begrensninger, for eksempel at tolkningen krever erfarne radiologer, variasjon mellom observatører og at det er tidkrevende arbeid. Med innføring av pakkeforløp for prostatakreft i Norge har antallet MR undersøkelser som gjennomføres for deteksjon av prostatakreft økt kraftig, og det er krevende å skalere opp de nødvendige radiolog-ressursene for å holde tidsrammene som er angitt i pakkeforløpet. Automatiske dataassisterte deteksjons- og diagnosesystemer (CAD) har potensial til å overvinne disse begrensningene ved å bruke MR-bildene i kvantitative modeller som automatiserer, standardiserer og støtter reproduserbar tolkning av radiologiske bilder. Den automatiserte CAD-arbeidsflyten består av flere trinn, for eksempel normalisering og segmentering, før bildene så kan benyttes til å etablere diagnostiske modeller basert på maskinlæring (ML) eller dyp læring (DL). For å sikre effektiv og pålitelig beslutningsstøtte, må alle trinn i arbeidsflyten være generaliserbare, transparente og robuste. CAD for diagnostikk av prostatakreft har ennå ikke blitt innlemmet i klinisk praksis. Målet med denne avhandlingen var derfor å legge til rette for dette ved å utvikle og evaluere nye metoder for bildebehandling, segmentering og kvalitetskontroll for å forbedre generaliserbarheten, gjennomsiktigheten og robustheten til arbeidsflyten i CAD. Denne avhandlingen er basert på tre artikler. I Artikkel I ble en ny automatisert metode for normalisering av T2-vektede (T2W) MR-bilder av prostata utviklet og evaluert ved bruk av to referansevev (fett og muskler). Metoden reduserer intensitetsforskjeller mellom ulike MR-bilder og forbedrer med dette den kvantitative vurderingen av prostatakreft. Artikkel II og III fokuserer på segmenteringsmetoder basert på DL. I Artikkel II ble et helautomatisk kvalitetskontrollsystem for DL-basert prostatasegmentering fra T2-vektete MR-bilder etablert og evaluert. Kvalitetskontrollen identifiserer når segmenteringen blir unøyaktig, og hindrer dermed at senere trinn i CADsystemet baseres på feilaktig informasjon. I Artikkel III blir reproduserbarheten av DLbasert segmentering av hele prostatakjertelen og prostatasoner vurdert. Dette er spesielt viktig for applikasjoner hvor pasienten følges opp med flere MR-undersøkelser over tid (aktiv overvåkning). Forskningsresultatene viser at reproduserbarheten til den beste DLbaserte prostata-segmenteringsmetoden er sammenlignbar med manuell segmentering. Kort oppsummert viser avhandlingen hvordan avanserte, generaliserte og kontrollerte metoder for bildeforbehandling og kvalitetskontroll kan bidra til å forbedre ytelsen og tilliten til CAD-basert beslutningstøtte for diagnostikk av prostatakreft, noe som er et viktig skritt mot klinisk implementering.

Summary Computer-Aided Diagnosis of Prostate Cancer Using Multiparametric MRI: Pre-processing, Segmentation and Quality Control Prostate cancer is the most commonly diagnosed cancer in men and the second leading cause of cancer-related deaths in men worldwide. In recent years, and due to advances in technology and diagnostic procedures, prostate cancer survival rates have increased and mortality rates have decreased. Early diagnosis of prostate cancer is critical for better treatment of the disease. The traditional diagnostic process includes measuring elevated prostate-specific antigen (PSA) in the blood followed by prostate biopsy sampling and histopathology analysis. The addition of multiparametric magnetic resonance imaging (mpMRI) and the establishment of international guidelines for image acquisition and interpretation have improved prostate cancer diagnosis. Typically, interpretation of mpMR images is performed qualitatively by a radiologist. This approach has a number of limitations, such as high inter-observer variability, time-consuming nature, dependence on reader opinion and lack of scalability of the manual data processing approach as demand increases. Automated computer-aided detection and diagnosis (CAD) systems have the potential to overcome these limitations and utilize mpMRI by implementing quantitative models to automate, standardize and support reproducible interpretation of radiological images. The automated CAD workflow typically consists of a machine learning algorithm, preceded by several stages of image processing, including pre-processing, segmentation, registration, feature extraction and classification. Each stage depends on the previous stages to finally produce an accurate diagnosis. Errors in any of the stages of the workflow, but especially in the early pre-processing stages, will propagate through the pipeline and can lead to a misdiagnosis of the patient. Consequently, to provide an efficient and trustworthy diagnosis, each stage of a CAD system should be generalizable, transparent and robust. Despite a growing body of evidence showing potential, CAD of prostate cancer has not yet been integrated into clinical practice. This is mainly due to the lack of generalizability, transparency and robustness, which causes a lack of confidence of the radiologists in the capabilities of CAD. To increase the confidence in CAD, its performance should be improved, controlled and generalized. Therefore, the aim of this thesis was to facilitate the integration of automated CAD systems for prostate cancer using mpMRI into clinical practice by developing and evaluating new image normalization, segmentation and quality control methods to improve the generalizability, transparency and robustness of the CAD workflow. This thesis is based on three papers. In Paper I, a novel automated method for prostate T2-weighted (T2W) MR image normalization using dual-reference tissue (fat and muscle) was developed and evaluated. The method was shown to reduce T2W intensity variation between scans and to improve quantitative assessment of prostate cancer on MRI. Papers II and III focused on deep learning (DL)-based prostate segmentation. In Paper II, a fully automated quality control system for DL-based prostate segmentation on T2W MRI was established and evaluated. The system was able to assign an appropriate score based on extracted image features, reflecting the quality of the generated segmentations. This score can be used to distinguish between acceptable and poor DLbased segmentations. In Paper III, the reproducibility of the DL-based segmentations of the whole prostate, peripheral zone, and remaining prostate zones was investigated. This is important for implementing DL-based segmentation methods in CAD system for clinical applications that depend on multiple scans. The study showed that the reproducibility of the best performing DL-based prostate segmentation methods is comparable to that of manual segmentations. In summary, in this thesis advanced image pre-processing and quality control methods were developed and evaluated for CAD of prostate cancer using mpMRI. Ultimately, these automated methods can help improve the performance of and increase the confidence in CAD systems, which is an important step towards their implementation in clinical practice.